3. 核心理论

在多资产配置的完整项目流程中，理论层决定了我们如何定义“好组合”。现代组合理论（MPT）给出的核心答案是：收益与风险需要同时被度量，组合的整体风险不仅取决于单个资产的波动，还取决于资产之间的相关性。均值方差优化（MVO）把这一思想转化为可计算的数学问题，有效前沿刻画了在给定风险下收益最高（或在给定收益下风险最低）的组合集合，而效用函数则把“投资者偏好”引入优化，使最终解从一条曲线收敛为一个可执行组合。

核心原理：从资产到组合的收益—风险映射

假设组合由 n 个资产构成，权重向量为 w，资产期望收益向量为 μ，协方差矩阵为 Σ。组合期望收益与方差分别为：

E(Rp) = wᵀμ
Var(Rp) = wᵀΣw
σp = sqrt(wᵀΣw)

其中协方差矩阵是 MPT 的关键：当资产间相关性较低时，组合方差会显著低于各资产方差的加权平均，这就是分散化收益的来源。需要注意，MVO 使用的是“预期”参数，而非历史实现值；参数估计误差会被优化器放大，因此后续章节会专门讨论稳健估计与约束。

方法流程：均值方差优化的标准步骤

1. 确定资产池与约束：明确可投资资产、权重上下限、行业/地区暴露限制、换手率约束等。
2. 估计输入参数：得到期望收益 μ 与协方差矩阵 Σ，常用方法包括历史样本、因子模型、收缩估计等。
3. 设定目标函数：常见形式为最大化效用，或最小化方差并附加目标收益约束。
4. 求解优化问题：在约束下求最优权重 w*，通常为二次规划问题。
5. 生成有效前沿：改变目标收益或风险厌恶系数，重复求解，得到前沿点集。
6. 选择最终组合：结合效用函数或风险预算，从前沿上选取一个点。

最常用的效用函数形式为：

U(w) = wᵀμ - (λ/2) · wᵀΣw
其中 λ 为风险厌恶系数，λ 越大越保守。

当 λ 趋近于 0 时，优化器偏向高收益资产；当 λ 增大时，组合更靠近最小方差组合。因此，效用函数是把“有效前沿”转化为“我的组合”的偏好接口。

有效前沿与效用函数的几何关系

在均值—标准差平面上，有效前沿是一条从左下到右上的曲线。最小方差组合位于最左端，其右侧上半支才是“有效”的：同样风险下收益更高。效用函数的等效用曲线（无差异曲线）是一组向上倾斜的曲线，风险厌恶越高，曲线越陡。最优组合就是等效用曲线与有效前沿的切点。

图中蓝色曲线为有效前沿，紫色虚线为不同风险厌恶水平下的等效用曲线，红色切点即为该投资者在给定 λ 下的最优组合。若 λ 增大，切点会沿前沿向左下方移动，组合更保守。

案例/场景：三类资产下的 MVO 求解

假设资产池为股票、债券、黄金，预期收益分别为 8%、3%、5%，波动率分别为 18%、6%、12%，相关系数矩阵如下。我们用 Python 求解最小方差组合与给定目标收益下的最优权重。

import numpy as np
from scipy.optimize import minimize

mu = np.array([0.08, 0.03, 0.05])
vol = np.array([0.18, 0.06, 0.12])
corr = np.array([
    [1.00, 0.15, 0.05],
    [0.15, 1.00, 0.10],
    [0.05, 0.10, 1.00]
])
cov = np.outer(vol, vol) * corr

def port_var(w):
    return w @ cov @ w

cons = [{'type': 'eq', 'fun': lambda w: w.sum() - 1}]
bounds = [(0, 1)] * 3
w0 = np.array([1/3, 1/3, 1/3])

res = minimize(port_var, w0, bounds=bounds, constraints=cons)
print("最小方差权重:", np.round(res.x, 4))
print("组合波动率:", round(np.sqrt(res.fun), 4))

运行后通常会发现债券权重较高，因为其波动率低且与股票相关性低。若把目标收益提高到 6%，则股票权重上升，组合波动率也随之上升。这正是有效前沿上不同点的经济含义。

误区与复盘

掌握 MPT、MVO、有效前沿与效用函数，本质上是掌握一套“从资产到组合”的映射语言。后续的资产配置项目实战，将在这套语言上加入参数估计、约束设计、再平衡与绩效归因，使理论真正落地为可执行的多资产组合。